NuMind AIが「思考するOCR」を発表：複雑な文書をMarkdown化するNuMarkdown-8B-Thinking

NuMind AIは、複雑な文書のデジタル化と構造化の方法を根本的に変えることを目的とした、革新的なオープンソースのVision-Language Model (VLM)であるNuMarkdown-8B-Thinkingを発表しました。MITライセンスの下で動作するこのモデルは、単にテキストを抽出するだけでなく、文書のレイアウト、構造、書式を積極的に分析し、正確でそのまま使えるMarkdownファイルを生成することで、従来の光学文字認識（OCR）システムとは一線を画しています。これにより、PDFやスキャンされたページからスプレッドシートまで、幅広い種類の文書をクリーンで構造化されたMarkdownに変換するために特別に設計された初の推論VLMとなり、Retrieval-Augmented Generation（RAG）ワークフロー、AI駆動のナレッジベース、大規模な文書アーカイブイニシアチブにとって特に価値があります。

NuMarkdown-8B-Thinkingの核となる革新は、OCRに対する「推論優先」のアプローチにあります。抽出されたテキストを直接レンダリングする代わりに、モデルは「思考トークン」—最終出力を生成する前に複雑な文書レイアウトを理解することを可能にする内部推論ステップ—を使用します。この独自の機能により、ほとんどの従来の、さらには多くの高度なAI駆動型OCRシステムが通常課題とするフォーマットや構造をナビゲートし、正確に処理することができます。これには、複雑な読み取り順序を持つ多段レイアウト、結合されたセル、ネストされたセル、または不規則なセルを含むテーブル、画像や装飾的なヘッダーなどの混合視覚要素、さらにはレイアウトの推論が最も重要となる歴史的または劣化したスキャンも含まれます。これらの推論トークンの量は、文書の複雑さに応じて動的に調整され、最終的なMarkdownの長さの20%から500%に及び、出力を行う前のモデルの分析プロセスの深さを示しています。

NuMarkdown-8B-Thinkingは、AlibabaのQwen 2.5-VL-7Bのファインチューニングバージョンに基づいて構築されており、利用可能な最も堅牢なオープンソースマルチモーダルモデルの1つとして認識されています。そのトレーニングレジメンには2つの重要なフェーズがありました。最初に、合成文書サンプルを使用して教師ありファインチューニング（SFT）が行われました。各サンプルは、生の文書入力、詳細な中間推論ステップ（レイアウト解析や構造推論など）、および望ましい最終Markdown表現を提供しました。これに続いて、GRPOを用いた強化学習が行われ、「レイアウト中心の報酬」システムが実装されました。このシステムは、モデルが文書の書式と空間関係を正確に再構築することを特に奨励し、NuMarkdown-8B-Thinkingに、通常は人間レベルの識別力を必要とする困難なレイアウトでも高い精度を維持する印象的な能力を与えました。

独立した評価とユーザーテストにおいて、NuMarkdown-8B-ThinkingはOCRからMarkdownへのタスクで最先端のパフォーマンスを示しました。GPT-4oのような汎用モデルやOCRFluxのようなOCRに特化したモデルを顕著に上回りました。さらに、Gemini 2.5のような大規模なクローズドソース推論モデルとも競争力があり、盲目的なマルチモデルユーザーランキングではGemini Flash Reasoningのようなエリートモデルにわずかに劣る程度でした。ユーザーは、非線形レイアウトにおける読み取り順序の正確な推論、複雑なテーブルの書式設定の保持、およびRAG取り込みのためにさらなる後処理を必要としないクリーンで解析しやすいMarkdownの生成という、その卓越した能力を頻繁に強調しています。

その機能を説明するために、多層見出し、複数の列にまたがるサイドバー、結合されたセルと不均一な行間隔を持つ財務テーブル、および法的免責事項を含むフッターを含むスキャンされた年次報告書ページを考えてみましょう。NuMarkdown-8B-Thinkingは、まず構造を概説する推論トークンを生成します—例えば、「列1：導入段落…列2：段落の続き…下部のフッターテキスト…テーブルは2列にまたがる…」といった識別を行い—その後、コンテンツとその複雑なレイアウトの両方を正確に反映するMarkdownを生成します。この透明な推論層は、モデルのパフォーマンスを向上させるだけでなく、その決定を監査可能にし、企業、法律、およびアーカイブのコンテキストにおいて大きな利点となります。

開発者や企業にとって、NuMarkdown-8B-Thinkingは柔軟なデプロイオプションを提供します。Hugging Faceで直接テストおよび統合が可能であり、効率的なCPU/GPUフレンドリーなローカル実行のためにモデルウェイトと量子化されたGGUFバージョンが公開されています。OpenAIスタイルのAPIやHugging Face Transformersとの互換性も、既存のパイプラインへの迅速な統合を容易にします。決定的に、そのMITライセンスは、商用、学術、または個人的なプロジェクトに対して完全な自由を保証し、ベンダーロックインや高価なAPI障壁を排除します。

NuMarkdown-8B-Thinkingのリリースは、正確な文書デジタル化に大きく依存する産業、特に金融、法律、医療、政府アーカイブに深い影響を与えます。これらのセクターでは、レイアウトの忠実度がテキストの正確性と同じくらい重要であり、ほとんどのOCRシステムは歴史的にこの課題を二次的なものとして扱ってきました。対照的に、NuMarkdown-8B-Thinkingはレイアウトを根本的な推論問題としてアプローチします。オープンソース化、洗練されたレイアウト推論、RAG最適化されたMarkdown出力の組み合わせにより、NuMind AIは既存のプロプライエタリな文書AIソリューションに代わる、透明性があり、検証可能で、高性能な代替手段を提供します。